- •Введение
- •Глава 1. Основные понятия и теоремы теории вероятностей
- •1.4 Элементы комбинаторики
- •1) Правило суммы.
- •2) Правило произведения.
- •3) Перестановки.
- •1.5 Применение комбинаторики для подсчета вероятностей
- •1.7 Формула Байеса. Вероятность оценки гипотез
- •1.8 Независимые повторные испытания. Формула Бернулли
- •1.9 Наивероятнейшее число наступления события
- •1.10 Формула Пуассона
- •1.11 Локальная и интегральная теоремы Муавра-Лапласа
- •Глава 2. Случайные величины
- •2.1.2 Дискретные случайные величины
- •2.1.3 Числовые характеристики дискретной случайной величины
- •Свойства математического ожидания:
- •2.2 Биномиальное распределение дсв
- •Закон распределения такой дсв имеет вид:
- •2.3 Геометрическое распределение дсв
- •2.4 Закон распределения Пуассона
- •2.5 Непрерывные случайные величины и их числовые характеристики
- •2.5.1 Плотность распределения вероятностей
- •2.5.2 Числовые характеристики непрерывной случайной величины
- •2.6 Нормальное распределение и его числовые характеристики
- •2.8 Показательное распределение
- •2.9 Числовые характеристики случайной величины (продолжение). Моменты
- •2.10 Случайные векторы. Закон распределения
- •2.10.1 Случайные векторы
- •2.10.2 Зависимые и независимые случайные величины
- •2.11 Распределения, связанные с нормальными
- •2.11.1 Распределение 2 (распределение к. Пирсона)
- •Функция распределения случайной величины
- •2.11.3 Распределение Фишера-Снедекора (или f-распределение)
- •2.12 Понятие о законе больших чисел
- •2.12.1 Неравенство Маркова
- •2.12.2 Неравенство Чебышева
- •2.12.3 Теорема Чебышева
- •Но т.К. Вероятность не превышает единицы, то справедливо
- •2.12.4 Теорема Бернулли
- •2.12.5 Центральная предельная теорема
- •2.13 Марковские цепи
- •2.13.2 Марковские цепи
- •2.13.3 Пуассоновский процесс
- •Приложения
2.6 Нормальное распределение и его числовые характеристики
Самым распространенным в природе, в экономике, социологии и других науках является нормальное распределение непрерывной случайной величины. С помощью нормального распределения можно описать плотность вероятности непрерывных случайных величин в тех случаях, когда отклонения от средней случайной величины появляются за счет различных явлений, воздействующих независимо одно от другого, но примерно в одинаковой степени, причем, чем больше суммируется таких случайных величин, тем результат точнее. Все эти явления не зависят друг от друга, но, воздействуя на процесс изготовления примерно с одинаковой силой, обуславливают то, что закон, по которому изменяется непрерывная случайная величина (размер конкретной детали), описывается нормальным распределением.
Самое точное изготовление детали с заданными размерами – “эталон” – будет соответствовать математическому ожиданию m, разброс фактических значений случайной величины размера детали будет соответствовать понятию дисперсии (точнее – среднеквадратическому отклонению).
Случайная величина с нормальным распределением существует в интервале (-; ) и описывается законами:
– плотности вероятности f(x), называемой «кривая Гаусса» (рис. 15а)
, (2.29)
где и m – параметры нормального распределения, причем >0,
– функцией распределения F(x) (рис. 15б):
. (2.30)
Подстановкой интеграл приводится к виду:
.
Поэтому для удобства вводится нечетная функция , называемаяфункцией Лапласа. Функцию Лапласа называют также “интегралом вероятности” или “функцией ошибок”. Очевидно, что Ф(0)=0, Ф(+)=1/2, Ф(– x)= – Ф(x).
а) б)
Рис. 15
Математическое ожидание МХ случайной величины X, распределенной нормально, равно
, (2.31)
а дисперсия равна
, (2.32)
поэтому параметр – есть среднеквадратическое отклонение.
Случайную величину X, распределенную нормально с параметрами и m, обозначают XN(m,).
На практике для вычисления значений функции Лапласа используются специально составленные таблицы, которые приводятся в справочной литературе (Таблица 3 Приложений).
Вероятность попадания в интервал НСВ, распределенной по формульному закону, можно найти с помощью функции Лапласа по формуле:
Величины параметров нормального распределения СВ X непосредственно влияют на форму кривой : приона принимает свое максимальное значение, равное. Поэтому смаксимальная ординатаи кривая становится более пологой, приближаясь к осиОх.
Величина математического ожидания m влияет на расположение кривой относительно оси ординат: приm кривая смещается .
Поэтому с помощью подстановки можно получить функциюплотности вероятности, график которой симметричен относительно осиОу. Такая кривая соответствует нормированному закону нормального распределения с параметрами и, т.е.N(0,1). Его график имеет вид:
Величину XN(0,1) иногда называют стандартно нормальной. Ее функция распределения имеет вид (интеграл Лапласа, табл. 3 Приложений).
2.7 Равномерные распределения
Равномерным называется распределение таких случайных величин, все значения которых лежат на некотором отрезке a; b и имеют постоянную плотность вероятности на этом отрезке.
Плотность вероятности задается формулой:
(2.33)
При равномерном распределении график плотности вероятности имеет вид (рис.16):
0
Рис.16
Поскольку площадь прямоугольника равна (b–a)=1, то . Тогда функцию плотности вероятности можно записать в другом виде:
(2.34)
Видно, что равномерное распределение задается указанием соответствующего отрезка, поэтому СВ X, распределенная равномерно на [a, b], обозначается XU[a, b] (от англ. uniform – равномерный).
Для равномерного распределения нельзя указать моду, так как все вероятности принимают одинаковые значения.
Математическое ожидание случайной величины при равномерном распределении равно
, (2.35)
т.е. среднему арифметическому концов отрезка: МX=.
Дисперсию равномерного распределения найдем по формуле
DX=М(X 2)М 2(X).
Действительно, М(X2)=. Тогда дисперсия равна:
. (2.36)
Среднеквадратическое отклонение
(X)= , (2.37)
(так как b>a по условию).
Случайные величины с равномерным распределением встречаются в тех случаях, когда по условиям эксперимента случайная величина X принимает значения в конечном промежутке a; b, причем все значения равновероятны:
– «X» – время ожидания автобуса на остановке (случайная величина x равномерно распределена на отрезке 0; b, где b – интервал движения между автобусами);
– «X» – ошибка при взвешивании некоторого предмета, полученная при округлении результата до целого значения (в этом случае x-0.5; 0.5), если цена деления шкалы весов равна единице) и др.
Функция распределения случайной величины, равномерно распределенной на отрезке a; b, имеет вид:
(2.38)
Е
0
Рис.17
Если некоторый отрезок длиной целиком содержится в отрезкеa; b, то вероятность попадания в него случайной величины XU[a, b], распределенной равномерно, находится по формуле
, (2.39)
где l – длина отрезка . Это значит, что вероятность попадания в любую фиксированную область отрезка a; b пропорциональна длине этой области. Вероятность попадания в область можно записать и в виде:
Р(x)=,
что соответствует геометрическому определению вероятности. Отсюда можно сделать вывод, что непрерывное равномерное распределение влечет за собой геометрические вероятности.
Задача 14. НСВ X задана функцией распределения
Найти:
1. Вероятность того, что в результате испытания X примет значение в интервале (0; 2).
2. Плотность вероятности f(x).
3. Числовые характеристики НСВ X.
Решение. 1. Найдем вероятность попадания значения X в интервал (0;2):
.
2. Плотность вероятности f(x)=: Поэтому, т.е.
3. Математическое ожидание , т.е.
,
Тогда среднеквадратическое отклонение Для того чтобы найти моду, надо исследовать на экстремумf(x): т.к. , то моды нет.
По виду заданной плотности вероятности можно было сразу понять, что задана равномерно распределенная СВ. Тогда, очевидно, ее мода не существует, а математическое ожидание – МX=.
Для того чтобы найти медиану Me, надо решить уравнение . Тогда.
Медиану найдем из уравнения . Значит.
График функции распределения F(x) представлен на рис.18a, а плотность вероятности на рис.18б):
а) б)
Рис.18